振動故障分形特征提取及診斷方法研究.pdf

1、在機械設備故障診斷研究中，故障特征提取和識別關(guān)系到故障診斷的可靠性和準確性，是機械設備故障診斷研究中的關(guān)鍵問題。利用振動信號對其工作狀態(tài)進行監(jiān)測和診斷是目前狀態(tài)監(jiān)測和故障診斷研究中最常用的方法。本文通過研究振動信號非線性特征，利用奇異值分解、分形自仿射和分形維數(shù)等進行故障特征提取，并應用支持向量機進行故障模式識別。論文的主要研究工作包括：
　　①采用多種分析判定方法分析振動信號的非線性本質(zhì)特性。第一：采用遞歸圖、CLY方法、功率譜

2、法和基于最小二乘支持向量機(LS-SVM)計算序列Lyapunov指數(shù)譜的方法對不同狀態(tài)振動信號進行非線性混沌分析，結(jié)果表明不同狀態(tài)振動信號均表現(xiàn)出混沌特征而且都是超混沌特征，且振動故障越大超混沌越強。第二：改進了Hurst指數(shù)和多重分形譜計算方法，分析了不同狀態(tài)振動信號的非線性分形結(jié)構(gòu)特征，結(jié)果表明振動信號在不同狀態(tài)下的分形特征值存在差異，具有不同的分形結(jié)構(gòu)。
　　②對振動信號非線性和分形壓縮的理論基礎進行分析研究的基礎上，提出

3、了適用于振動信號的自適應分段自仿射壓縮降噪故障特征提取方法，給出了算法步驟，該方法根據(jù)振動信號自相似程度通過設置閾值來自適應的確定分段的長度，對閾值的取值進行了研究，并和分段自仿射壓縮算法進行了比較。仿真算例及實測軸承振動信號分析結(jié)果表明，該算法具有較高的數(shù)據(jù)壓縮比和很好的信號重構(gòu)精度，有效的提取和保留了振動信號的故障特征，驗證了該方法的有效性。
　　③針對通常故障狀態(tài)樣本缺乏的一類分類問題，提出了混沌分形特征的支持向量數(shù)據(jù)域描述

4、法(SVDD)振動故障異常辨識方法。對混沌分形特征進行了研究并采用基于 SVDD的綜合了分類兩種分類錯誤的接收者操作特征(ROC)選擇振動信號的最優(yōu)特征量組合，研究了混沌分形特征量組合的特征選取問題和 SVDD異常辨識核函數(shù)參數(shù)取值對故障分類的影響。實驗分析表明，選取的特征量組合對正常和故障樣本有較大的區(qū)分度，SVDD分類器僅需要正常狀態(tài)的數(shù)據(jù)樣本，就能很好的分辨出正常和故障狀態(tài)，并且對未知故障有良好的辨識能力。
　　④針對實測振

5、動信號中混雜的干擾信息趨勢，影響故障診斷的準確性問題，提出了一種多重分形去趨勢波動分析(MF-DFA)振動故障診斷方法，利用均方誤差對若干小區(qū)間的多行式擬合消除其趨勢，對方法估計的多重分形譜4個參數(shù)特征進行了分析和對比研究，最后選擇最佳多重分形譜參數(shù)0a作為振動信號故障的量化特征，并將該0a特征量與支持向量機（SVM）算法相結(jié)合進行故障診斷。實驗研究表明：去除趨勢后，很好的保留了振動信號中的尖峰和突變部分，振動信號的波動呈現(xiàn)顯著多重分形

6、特征，選取的故障特征量與SVM相結(jié)合的方法，能有效地區(qū)分正常狀態(tài)與故障狀態(tài)，有很強的振動故障診斷性能；
　?、葆槍φ駝有盘柸鯖_擊故障頻率特征提取困難問題，提出一種奇異值分解及形態(tài)濾波的振動故障特征提取方法。該方法利用信號時間序列重構(gòu)的吸引子軌跡矩陣奇異值分布特征與信號自身特征的關(guān)系，選擇軌跡矩陣中主要反映沖擊信息明顯的奇異值進行信號重構(gòu)的方法來濾除信號中的平滑信號和部分噪聲，獲取帶噪聲的沖擊信號，然后利用形態(tài)濾波能有效濾除脈沖干擾